ACE-Step-1.5-Prompting-Leitfaden: Tags schreiben, Texte strukturieren und bessere Musik erzeugen

ACE-Step funktioniert nicht wie Suno. Es gibt keine magische Textbox, in der du ein Lied beschreibst und betest. Stattdessen gibt es dir zwei separate Steuerungen: Tags, die den Klang formen, und Lyrics, die die Song-Struktur definieren. Die Trennung zwischen beiden zu verstehen, ist der Unterschied zwischen zufälligem Output und dem Track, den du tatsächlich in deinem Kopf hörst.

Warum ACE-Step-Prompts anders sind

Die meisten KI-Musiktools akzeptieren eine einzelne natürlichsprachliche Beschreibung. „Schreib mir eine traurige Klavierballade über verlorene Liebe" – und das Modell interpretiert alles auf einmal. Genre, Stimmung, Instrumente, Lyrics, Struktur – alles in einem Satz verheddert.

ACE-Step trennt diese Belange in zwei Felder, die sich nicht gegenseitig stören.

tags (caption) ist eine kommagetrennte Keyword-Liste, die das Audio steuert. Genre, Stimmung, Instrumente, Vokalstil, Produktionsqualität, BPM. Betrachte es als Mischpult: jeder Tag ist ein Fader.

lyrics trägt den Songtext plus Strukturmarker – [verse], [chorus], [bridge] – und Sprach-Tags wie [en] oder [ja]. Lass es leer und das Modell generiert ein Instrumental.

Das ist wichtig, weil du das gesamte Genre wechseln kannst, indem du Tags bearbeitest, während du dieselben Lyrics intakt hältst. Eine Folk-Ballade wird in Sekunden zu einem Trap-Beat, mit identischen Worten über einer komplett anderen Klanglandschaft.

So schreibst du Tags

Ein starker Tag-Satz umfasst 5-12 Keywords. Mehr als 15, und sie beginnen, sich gegenseitig zu verdünnen. Die Reihenfolge zählt weniger als die Spezifität – grand piano schlägt piano, und fingerpicked acoustic guitar produziert ein klareres Ergebnis als guitar.

Die Formel

Genre steht immer zuerst

Der Genre-Tag verankert alles andere. ACE-Step deckt eine breite Palette ab:

Bekommst du trübe Ergebnisse aus einem Nischen-Genre wie Darkwave oder Breakcore? Führe denselben Prompt auf XL Turbo aus, bevor du deine Tags umschreibst. Das größere Modell (~10B Parameter) löst Nischen-Genres auf, die die 3.5B-Varianten verwischen.

Nenne Instrumente, keine Adjektive

„Grand piano, upright bass, brushed drums" gibt dem Modell drei konkrete Schallquellen zum Rendern. „Sophisticated, elegant, refined" gibt ihm nichts, womit es arbeiten kann.

XL Turbo ist auch, wo seltene Instrumente glänzen. hammered dulcimer, theremin, shakuhachi, prepared piano – diese produzieren auf XL distinkte Klangfarben, die die 3.5B-Modelle zu etwas Generischem einebnen.

Produktions-Tags formen den Mix

Diese steuern das sonische „Finish" des Tracks. Fidelity-Tags (hi-fi, lo-fi, dusty, polished) setzen die allgemeine Klarheit. Charakter-Tags wie analog warmth, tape saturation und vinyl crackle fügen Textur darüber hinzu. Räumliche Tags (wide stereo, intimate, cinematic) definieren, wie groß sich der Track anfühlt. Und Dynamik-Tags – compressed, sidechain pumping – formen das Lautstärkeverhalten.

Der Unterschied ist dramatisch: lo-fi hip-hop, dusty, vinyl crackle, tape saturation und hip-hop, hi-fi, clean, wide stereo produzieren komplett unterschiedliche Mixes aus identischen Lyrics.

Inkludiere immer BPM

Setze es sowohl in den Tags (z. B. 88 bpm) als auch als bpm-Parameter. Das Modell nutzt beide Eingaben, und Konsistenz zwischen ihnen strafft den rhythmischen Output.

Drei Tag-Fehler, die den Output ruinieren

„Ein schönes melancholisches Klavierstück über den Herbst in Paris" sieht nach einem vernünftigen Prompt aus. Ist es nicht. Das Modell erwartet Keywords: piano ballad, melancholic, intimate, Parisian cafe, felt piano, 68 bpm.

Widersprüchliche Tags verursachen ein anderes Versagen. aggressive, serene oder lo-fi, hi-fi, polished zwingen das Modell, zwischen Polen zu oszillieren, statt sich auf eines festzulegen.

Achte schließlich auf dein BPM. techno bei 70 bpm zu taggen verwirrt das Modell, weil Techno bei 128-140 lebt. Langsam und dunkel? Das ist dark ambient oder downtempo, nicht langsamer Techno.

So strukturierst du Lyrics

Lyrics sind nicht nur Worte – sie sind die Architektur des Songs.

Abschnittsmarker sagen dem Modell, was es spielen soll

Jeder Marker kommt in eckigen Klammern, kleingeschrieben:

Ein Marker ohne Text darunter wird zu einem instrumentalen Pass. So erzeugst du Solos, Interluden und Übergänge ohne jegliche Vokale.

Sprachmarker für mehrsprachige Songs

ACE-Step unterstützt 19 Sprachen. Die Top 10 performen am besten: [en], [zh], [ru], [es], [ja], [de], [fr], [pt], [it], [ko]. Andere (inklusive [pl]) funktionieren, können aber schwächer abschneiden.

Platziere den Sprachmarker am Anfang eines Abschnitts, nie mitten in der Zeile. Englische Strophen mit einem japanischen Chorus im J-Rock-Stil ist eine Kombination, die auf XL Turbo besonders gut funktioniert.

Halte Zeilen kurz

Das Modell ordnet Silben Beats zu. Zeilen von 4-8 Silben fließen natürlich. Bei 12+ Silben bricht die Vokalrhythmik – das Modell versucht, zu viele Worte in zu wenige Beats zu quetschen.

Wiederhole den Chorus. Es hilft dem Modell, sich auf eine konsistente Melodie einzulocken. AABB- oder ABAB-Reimschemata klingen natürlicher als freie Versdichtung, aber Reim ist nicht obligatorisch.

Instrumentals

Zwei Wege, vollständig instrumental zu gehen:

• Lass Lyrics leer und füge no vocals oder instrumental zu den Tags hinzu

• Nutze nur Abschnittsmarker ohne Text: [intro] → [inst] → [outro]

no vocals in den Tags hinzuzufügen, während man Lyric-Text schreibt, erzeugt Verwirrung – das Modell könnte unheimliche wortlose Vokalisationen produzieren. Wähle einen Ansatz und bleib dabei.

Drei Varianten, ein Prompting-Format

FilmoTvor.AI betreibt drei ACE-Step-1.5-Modelle. Alle drei akzeptieren dasselbe Tags- und Lyrics-Format – der Unterschied liegt in Qualität, Geschwindigkeit und Kontrolle:

Der Workflow: skizziere auf Turbo (generiere 5-10 Varianten schnell, finde das Arrangement, das funktioniert), verfeinere auf XL Turbo (bessere Klangqualität, die meisten Tracks sind hier erledigt), poliere auf Base mit steps=40-60 (maximale Fidelity für kritische Renders).

Für Base spezifisch zählen zwei Parameter:

Steps steuern Qualität vs. Geschwindigkeit. 27 ist der Sweet Spot für die meisten Arbeiten. Unter 15 bekommst du Turbo-ähnliche Entwürfe. Über 60 werden die Zugewinne unmerklich.

Guidance (CFG) steuert, wie streng das Modell deinen Tags folgt. Bei 5-7 spielt es locker und musikalisch. Bei 10-12 trackt es deine Tags eng. Über 15 wird es starr und kann Artefakte einführen. Komplexe Prompts profitieren von höherer CFG; einfache Genre-Prompts klingen bei niedrigeren Werten besser.

5 vollständige Prompt-Beispiele

1. Lo-fi hip-hop (boom bap, jazzy)

tags:

lyrics:

bpm: 88 · duration: 180s

Das [inst] vor der Outro lässt Raum für ein jazz-beeinflusstes Solo – auf XL Turbo erwarte gedämpfte Trompete oder Klavierimprovisation, schwebend über dem Boom-Bap-Loop.

2. Dark progressive techno (instrumental)

tags:

lyrics:

bpm: 134 · duration: 240s

Die [build-up] → [drop]-Sequenz ist essenziell für elektronische Musik. Das Modell liest diese Marker als dynamische Anweisungen: Anspannung, dann Entladung. Zwei Zyklen dieses Musters erzeugen ein vollständiges DJ-freundliches Arrangement.

3. Kammerfolk-Ballade (akustisch, intim)

tags:

lyrics:

bpm: 68 · duration: 210s

Akustisches Material profitiert am meisten von Base bei steps=40+. Die Fingerpicking-Gitarre und Cello-Harmoniken brauchen zusätzliche Sampling-Schritte, um sauber zu rendern. Prototyope das Arrangement zuerst auf XL Turbo, dann wechsle für den finalen Render zu Base.

4. Hybrid-Orchester-Trailer (cinematic)

tags:

lyrics:

bpm: 90 · duration: 120s

Trailer-Musik hängt vom dynamischen Kontrast ab – leise Spannung gegen orchestrale Explosionen. Der [build-up] → [inst] → [chorus]-Bogen gibt dem Modell eine klare Trajektorie von Zurückhaltung zu voller Wucht.

5. Dark ambient (atmosphärisch, langform)

tags:

lyrics:

bpm: 55 · duration: 270s

Bei 270 Sekunden wird der Vorteil der XL-Turbo-Variante über den 3.5B Turbo hörbar. Das kleinere Modell verliert tendenziell nach der 3-Minuten-Marke die Kohärenz – Texturen loopen oder treiben ins Rauschen ab. XL hält die evolutionäre Klanglandschaft über die volle Dauer aufrecht.

Der Referenz-Audio-Abkürzungsweg

Alle drei Varianten akzeptieren ref_audio – einen 5-60-Sekunden-Clip, den das Modell als Stil-Referenz behandelt. Klangfarbe, Produktionstextur und Stimmung aus dem Clip beeinflussen den generierten Track.

Sende ein trockenes instrumentales Fragment – 10-30 Sekunden, konsistenter Stil durchgehend. Ein sauberes Gitarren-Intro, ein isolierter Synth-Pad, ein Drum-Loop. Diese geben dem Modell eine klare Klangfarbe zur Referenz.

Vokal-lastige Mixes schlagen fehl: das Modell versucht, die Stimme zu klonen, statt den Produktionsstil zu extrahieren. Dichte Vollmixes verkommen zu Matsch, weil das Modell alle Schichten mittelt. Clips unter 5 Sekunden tragen zu wenig Signal für etwas Nützliches.

Auf XL Turbo übertragen sich selbst dezente Hinweise – ein spezifischer Hall-Nachklang, Tape-Kompressionscharakter, die besondere Wärme einer analogen Aufnahmekette. Die 3.5B-Varianten erfassen die groben Striche, verfehlen aber diese Details.

Häufige Fehler

Wir haben oben Tag-Fehler behandelt. Hier diejenigen, die in Lyrics und Parametern auftauchen.

Zeilen über 10 Silben frakturieren das Vokal-Timing. Das Modell quetscht Worte in Beats, die sie nicht halten können – schreibe auf 4-8 Silben pro Zeile um und die Rhythmik rastet sofort ein.

Fünf Nischen-Genres zu stapeln (darkwave, witch house, phonk, vaporwave, drill) klingt auf dem Papier abenteuerlich. In der Praxis kann das Modell so viele widersprüchliche Signale nicht auflösen und der Output kollabiert zu Rauschen. Ein primäres Genre plus ein Modifikator ist die Obergrenze.

Ein [chorus]-Marker ohne Text darunter generiert keinen einprägsamen Hook. Er generiert Stille. Schreibe Chorus-Lyrics oder benenne den Abschnitt in [inst] um.

Den Sprachmarker bei nicht-englischen Lyrics zu vergessen, ist der heimtückischste Fehlschlag. Polnische Worte ohne [pl] am Abschnittsanfang? Das Modell könnte sie ungeachtet in englischer Phonetik singen.

Und die BPM-Falle: Lass sie in den Tags weg, und das Modell rät. techno ohne expliziten BPM-Tag könnte bei 115 statt 130 landen – nah genug, um falsch zu klingen, weit genug weg, um den Groove zu ruinieren.